Pollen morphology, deep learning, phylogenetics, and the evolution of environmental adaptations in <i>Podocarpus</i>
Notice bibliographique
Résumé
Podocarpus pollen morphology is shaped by both phylogenetic history and the environment. We analyzed the relationship between pollen traits quantified using deep learning and environmental factors within a comparative phylogenetic framework. We investigated the influence of mean annual temperature, annual precipitation, altitude, and solar radiation in driving morphological change. We used trait-environment regression models to infer the temperature tolerances of 31 Neotropical Podocarpidites fossils. Ancestral state reconstructions were applied to the Podocarpus phylogeny with and without the inclusion of fossils. Our results show that temperature and solar radiation influence pollen morphology, with thermal stress driving an increase in pollen size and higher ultraviolet B radiation selecting for thicker corpus walls. Fossil temperature tolerances inferred from trait-environment models aligned with paleotemperature estimates from global paleoclimate models. Incorporating fossils into ancestral state reconstructions revealed that early ancestral Podocarpus lineages were likely adapted to warm climates, with cool-temperature tolerance evolving independently in high-latitude and high-altitude species. Our results highlight the importance of deep learning-derived features in advancing our understanding of plant environmental adaptations over evolutionary timescales. Deep learning allows us to quantify subtle interspecific differences in pollen morphology and link these traits to environmental preferences through statistical and phylogenetic analyses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».